人形机器人的“平地幻觉”，该醒了

遥操作是人形机器人当下的数据命脉，但驱动它的全身跟踪控制器，吃的是“平地、空手”录出来的参考动作。arXiv 新论文 BRACE 把接触力和坡度地形一起折叠进参考轨迹，让 Unitree-G1 只凭本体感知就能在斜坡上发力干活。这不是又一篇炫技论文——它戳中的，是整条具身智能数据链路上一个被所有人默认、却极少被点破的物理假设。

🕹️ 遥操作的命门，藏在一个默认假设里

先还原一个正在各大人形机器人公司数据车间里反复上演的场景：操作员坐在遥操作工位上，穿戴动捕设备，驱动一台人形机器人模仿自己的动作。问题来了——操作员站的是平地，机器人脚下却是坡；操作员两手空空，机器人却要用手顶住一个箱子、拉一把门。

这时候会发生什么？机器人会把坡和负载统统当成“干扰”去硬抗。姿势变形、重心漂移、发力走样，采集到的是一份数据，但不是一份“好数据”。

这背后是一个结构性事实：全身跟踪（whole-body tracking）已经成为操作员驱动人形机器人的标准接口，而这个接口消费的参考动作，几乎都是在平地录制、且不携带任何负载的。也就是说，跟踪器天然感知不到两件事——机器人必须与物体交换的力，以及它必须站立的地形。

据多位接近具身智能数据采集业务的人士透露，一线团队私下最头疼的正是这个：棚子里平地采的数据，出了棚子就不太算数，重采一遍成本又高到肉疼。

这不是小问题。当前人形机器人行业的共识路线是“遥操作采数据→模仿学习→逐步自主”，数据质量的上限直接封死了策略能力的上限。而数据质量的上限，又取决于遥操作这个接口能在多真实的物理条件下工作。接口的物理假设，就是数据工厂的地基。

⚠️ 两条路线，各修半边桥

金句先放这儿：一个会用力，不会走路；一个会走路，不会用力。

面对“力”和“地形”这道双选题，现有控制器其实分成了两派，各修半边桥：

• 有力能力的策略（force-capable policies）：能命令末端执行器输出一个指定的力，但它不管全身姿态怎么摆——机器人该用什么姿势去顶这个力，没人管。
• 地形自适应跟踪器（terrain-adaptive trackers）：能让机器人在崎岖地形上站稳，但它们的处理方式是把负载当作需要“抑制”的扰动，而不是需要“执行”的作用量（wrench）。

换句话说，操作员想让机器人“用手以 30 牛的力推一个斜面上的物体”，现有方案要么只管力不管姿势，要么把推力当成噪声滤掉。力和地形，从来没有被放进同一个参考轨迹里统一求解。

用一张表看清楚这个能力拼图的缺口：

这个缺口的产业含义很直白：如果遥操作接口不能在带力、带坡的条件下工作，那么“开箱、搬运、装配”这类真正值钱的工业任务，数据就采不出来，模仿学习就无从谈起。能力拼图缺一块，数据管线就断一截。

🔧 **BRACE** 的思路：把力和坡，折叠进参考轨迹

别的方案让跟踪器去“吸收”负载和坡度，BRACE 的做法反着来——把这两件事直接折进要跟踪的参考本身。

具体拆开是两步：

第一步，地形贴合（terrain conformance）：把参考动作里的落足点和根部（root）直接抬升、贴合到局部真实表面上。参考不再是悬空的一条平地轨迹，而是长在坡上的轨迹。

第二步，作用量变换（wrench transformation）：这一步是全文最精妙的地方。想让手在某个位置产生一个指定方向的力，机器人不能只动手——手位移产生的力，会和它引起的质心（CoM）、压力中心（CoP）偏移耦合在一起。BRACE 把手部位移、质心偏移、压力中心偏移作为一个联合问题求解，同时被教师策略的手臂力矩上限约束住，保证解出来的动作是机器人真的做得出来的。

一句话概括：不是让机器人去凑合力学，而是让参考轨迹本身长出力学。 整条管线长这样：

这套设计的产业价值在于：它没有另起炉灶造新接口，而是改造了现有遥操作管线里最通用的那层——全身跟踪。操作员的使用习惯完全不用变，变化的只是参考轨迹在被消费之前的“预处理”方式。好架构的标志，是让你原有的工作流无缝升级，而不是推倒重来。

🧠 双教师蒸馏：只留本体感知，摘掉传感器拐杖

金句第二句：教师可以开挂，学生必须自力更生。

BRACE 的训练架构是典型的教师-学生蒸馏，但细节上有两个关键设计：

一是分工。它训练了两个教师策略——一个负责“发力”（exertion），一个负责“补偿”（compensation），各管一半物理量，各自在自己的特权信息下学透。

二是合流。两个教师通过 DAgger 框架蒸馏进同一个学生策略，而这个学生用的是流匹配（flow-matching）生成式框架。关键约束是：学生只靠本体感知（proprioception）运行——没有高度图，没有实测的作用量传感器读数。

这个约束看起来是自缚手脚，实则是部署上的清醒。高度图意味着机载激光雷达或深度相机，实测作用量意味着腕部力传感器——每多一路传感器，成本、标定、故障点、延迟都跟着涨。而遥操作场景里，操作员在远端，机器人往往在通信带宽受限、传感器可靠性存疑的现场，把“解算坡度和负载”这件事完全放到机载、只靠关节编码器和IMU就能完成，才是真正能铺开的方案。

对操作员的体验也顺了：哪怕人在千里之外的远程站点，只需要提供一条平地参考轨迹，坡怎么爬、力怎么发，机器人自己 onboard 解决。

💰 从实验室到数据工厂，还差几步

BRACE 在 Unitree-G1 上做了大量实验验证，证明这套“折叠参考”的思路确实能在真机上跑通。技术叙事到这里是完整的，但真正值得琢磨的是它在产业链上的位置。

把镜头拉远看：当前人形机器人行业竞争的实质，是数据基础设施的竞争。谁能更快、更便宜、在更真实的物理条件下采出高质量演示数据，谁的模仿学习就能更快逼近自主。BRACE 这类工作改变的，正是数据采集的“可作业域”：

推演一下影响链：接口支持坡面和带载操作后，斜坡搬运、开合重门、上下料这类真实工业任务的演示数据第一次变得“可采”；采集不再依赖把现场人为削平成实验室条件；遥操作员的工作难度反而下降，因为力学细节由机载策略兜底。数据采集的边际成本下降，往往比模型架构的进步更能改变行业节奏。

当然，冷静一点看，这条路也才刚起步：论文素材显示其验证平台是 Unitree-G1，参考动作仍由平地录制提供，更复杂的多物体接触、动态任务还需要后续工作补齐。但方向已经足够清晰。

🔗 写在最后

BRACE 最重要的启示不是某个具体算法，而是一个方法论：当遥操作接口的物理假设与真实作业环境不符时，正确解法是把环境约束折叠进参考，而不是让控制器去硬抗。

人形机器人行业眼下最不缺的是宏大的自主叙事，最缺的是把“操作员站平地、机器人站斜坡”这种具体矛盾一个个解决掉的工程耐心。平地幻觉醒了，数据工厂才能开进真实世界——下一个被点破的隐含假设，会是哪个？